python爬蟲模塊URL管理器模塊用法解析
這篇文章主要介紹了python爬蟲模塊URL管理器模塊用法解析,文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下
URL管理器模塊
一般是用來維護爬取的url和未爬取的url已經(jīng)新添加的url的,如果隊列中已經(jīng)存在了當(dāng)前爬取的url了就不需要再重復(fù)爬取了,另外防止造成一個死循環(huán)。舉個例子
我爬www.baidu.com 其中我抓取的列表中有music.baidu.om,然后我再繼續(xù)抓取該頁面的所有鏈接,但是其中含有www.baidu.com,可以想象如果不做處理的話就成了一個死循環(huán)了,在百度首頁和百度音樂頁循環(huán),所以有一個對列來維護URL是很重要的。
下面以python代碼實現(xiàn)為例,使用的deque雙向隊列方便取出以前的url。
from collections import deque class URLQueue(): def __init__(self): self.queue = deque() # 待抓取的網(wǎng)頁 self.visited = set() # 已經(jīng)抓取過的網(wǎng)頁 def new_url_size(self): ''''' 獲取未爬取URL集合的大小 :return: ''' return len(self.queue) def old_url_size(self): ''''' 獲取已爬取URL的大小 :return: ''' return len(self.visited) def has_new_url(self): ''''' 判斷是否有未爬取的URL :return: ''' return self.new_url_size() != 0 def get_new_url(self): ''''' 獲取一個未爬取的URL :return: ''' new_url = self.queue.popleft()#從左側(cè)取出一個鏈接 self.old_urls.add(new_url)#記錄已經(jīng)抓取 return new_url def add_new_url(self, url): ''''' 將新的URL添加到未爬取的URL集合 :param url: 單個url :return: ''' if url is None: return False if url not in self.new_urls and url not in self.old_urls: self.new_urls.append(url) def add_new_urls(self, urlset): ''''' 將新的URL添加到未爬取的URL集合 :param urlset: url集合 :return: ''' if urlset is None or len(urlset) == 0: return for url in urlset: self.add_new_url(url)
以上就是本文的全部內(nèi)容,希望對大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
使paramiko庫執(zhí)行命令時在給定的時間強制退出功能的實現(xiàn)
這篇文章主要介紹了使paramiko庫執(zhí)行命令時,在給定的時間強制退出,本文通過實例代碼給大家介紹的非常詳細,對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下2021-03-03Python 實現(xiàn)刪除某路徑下文件及文件夾的實例講解
下面小編就為大家分享一篇Python 實現(xiàn)刪除某路徑下文件及文件夾的實例講解,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2018-04-04用Python實現(xiàn)數(shù)據(jù)篩選與匹配實例
大家好,本篇文章主要講的是用Python實現(xiàn)數(shù)據(jù)篩選與匹配實例,感興趣的同學(xué)趕快來看一看吧,對你有幫助的話記得收藏一下2022-02-02利用Python繪制MySQL數(shù)據(jù)圖實現(xiàn)數(shù)據(jù)可視化
這篇文章主要介紹了利用Python繪制MySQL數(shù)據(jù)圖實現(xiàn)數(shù)據(jù)可視化,其中包括Python與MySQL的連接搭建、用Python執(zhí)行MySQL語句查詢等內(nèi)容,需要的朋友可以參考下2015-03-03狀態(tài)機的概念和在Python下使用狀態(tài)機的教程
這篇文章主要介紹了狀態(tài)機的概念和在Python下使用狀態(tài)機的教程,本文來自于IBM官方開發(fā)者技術(shù)文檔,需要的朋友可以參考下2015-04-04